Caltech-256 数据集#

Caltech-256 数据集是一个经典的图像分类基准，包含来自 256 个对象类别外加一个背景类别的 30,607 张图像。每个类别至少包含 80 张真实世界对象的图像——动物、车辆、家居用品和人物——这使其成为用于对象识别模型的 Caltech-101 的更大、更具挑战性的继任者。

主要特性#

• Caltech-256 在 256 个对象类别外加一个 257.clutter 背景类别（总共 257 个类文件夹）中包含 30,607 张彩色图像。
• 这些类别涵盖了各种现实世界的对象，包括动物、车辆、家居用品和人物。
• 每个类别至少有 80 张图像，最大的类别包含多达约 800 张，因此类别规模是不平衡的。
• 图像的大小和分辨率各不相同。
• Caltech-256 被广泛用于对图像分类和对象识别算法进行基准测试。

数据集结构#

Caltech-256 以 257 个文件夹的形式发布——每个类一个，涵盖 256 个对象类别加上一个 257.clutter 背景类——没有预定义的训练/验证划分。当你启动训练时，Ultralytics 会自动划分图像，以便模型在所有 257 个类上进行训练，而无需任何手动设置：

• 类别: 257（256 个目标类别 + 1 个背景类）
• 图像总数: 30,607
• 训练/验证划分: 自动 80% / 20%（约 24,385 个训练集，约 6,222 个验证集）
• 每类图像数: 至少 80 张（不平衡，最多约 800 张）

应用#

Caltech-256 数据集被广泛用于训练和评估图像分类和对象识别模型，包括卷积神经网络（CNN）和支持向量机（SVM）。其庞大的类别数量和高质量的图像使其成为机器学习和计算机视觉研究和原型的热门基准。

用法#

在 Caltech-256 上以 416 的图像大小训练 YOLO 模型 100 个轮次。有关可用参数的完整列表，请参阅训练页面和图像分类任务指南。

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-cls.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="caltech256", epochs=100, imgsz=416)

样本图像和标注#

Caltech-256 数据集包含各种对象的高质量彩色图像，为图像分类任务提供了一个结构良好的数据集。以下是来自该数据集的图像的一些示例（来源）：

这些样本展示了 Caltech-256 数据集中物体的多样性和复杂性，凸显了多样化数据集对于训练鲁棒的目标识别模型的重要性。

引用与致谢#

如果你在研究或开发工作中使用了 Caltech-256 数据集，请引用以下论文：

@article{griffin2007caltech,
         title={Caltech-256 object category dataset},
         author={Griffin, Gregory and Holub, Alex and Perona, Pietro},
         year={2007}
}

我们要感谢 Gregory Griffin、Alex Holub 和 Pietro Perona 创建并维护了 Caltech-256 数据集，使其成为机器学习和计算机视觉研究社区的宝贵资源。有关 Caltech-256 数据集及其创建者的更多信息，请访问 Caltech-256 数据集网站。

常见问题解答#